在「注意力」爭奪戰中日益加劇的「時價比導向」

網路與智慧型手機的普及，加上數位平台成為日常生活的一部分，構築出了一個人人都能輕易發聲的媒體環境，進而導致資訊流通量的爆炸性成長。這種常態性的資訊過載，在所謂「注意力經濟」的運作邏輯下，逐漸形塑出一種特殊的競爭環境。即使伴隨著各種負面影響，這樣的狀態也早已持續了相當長的一段時間。

所謂的「注意力經濟」，是指在資訊過量的社會中，作為資訊「接收者」的人們，其「注意力」（attention）成為了稀缺資源，而「獲得注意力」本身即可產生價值的思維模式。在資訊尚屬稀缺的時代，價值多半存在於資訊本身，或是發布資訊的能力。

然而，在人人皆可發布資訊的現代社會，資訊的供給始終處於過剩狀態，並且持續增加。相對地，接收資訊的人類，其可動用的「認知資源」卻是有限的。也就是說，在一年三百六十五天、一天二十四小時的生活裡，人類實際能投注的「注意力」，只占流通資訊中極其微小的一部分。

於是，在資訊的正確性或作品品質尚未被辨識之前，如何先成功「奪取」受眾的注意力，反而成為了競爭的核心。釣魚式標題、強調衝擊感的影像、煽情誇大的表述，或是刻意引發焦慮的廣告因此大量出現，有時甚至夾雜著偽造影片、假訊息與錯誤資訊，這正是注意力爭奪日益加劇所帶來的結果。

在這樣的媒體環境中，近年來經常被提及的是重視資訊蒐集「效率」的「CP值（成本效益）傾向」與「時價比（時間效益）傾向」。這種態度可以理解為，在面對大量資訊時，試圖在盡可能不耗費時間與資源的情況下進行篩選，藉此保留接觸更多其他資訊的可能性。這類傾向常被視為年輕世代的特徵，但若考量其背後與資訊流通量劇增及「注意力經濟」之間的緊密關聯，與其說是世代差異，不如將之理解為整體媒體環境的「扭曲現象」，而這種扭曲特別明顯地呈現在智慧型手機使用頻率較高的族群之中。

AI普及真的會造成「零點擊」嗎？

生成式AI的出現，以及搜尋引擎Google所推出的「AI Overviews（AI摘要）」與「AI Mode」，乍看之下似乎順應了這種注意力經濟環境下的CP值與時價比傾向。這是因為生成式AI直接提供的「答案」，縮短了過去「搜尋」時必須在多個網站之間跳轉瀏覽的時間，被視為是一種更「有效率」取得資訊的方式。

象徵這種情況的，是被稱為「零點擊」的現象。過去，使用者通常會從搜尋結果中點選連結進入網頁，但在AI Overviews或AI Mode將答案加以摘要後，使用者往往在搜尋頁面就已獲得滿足，便不再實際造訪相關網站。因此，部分以資訊提供為主的網站，開始對來自搜尋引擎的流量減少表達憂慮。

不過，另一方面，也出現了耐人尋味的調查結果。若使用者對ChatGPT等生成式AI所提供的答案感到滿意，並因此達成資訊蒐集的「效率化」，那麼使用Google等搜尋引擎的機會理應隨之減少。然而，實際狀況並非如此。根據SparkToro公司於2025年的調查，雖然ChatGPT等生成式AI工具的使用量確實增加，但搜尋引擎的使用次數並未因此下降，反而在使用生成式AI工具的前後，搜尋引擎的使用有增加的趨勢。

這樣的結果顯示，ChatGPT或AI Overviews等生成式AI所提供的答案，未必能直接回應使用者的需求。進一步來看，從一般使用者的角度而言，由於尚未充分建立對這些答案的信任度，甚至可能導致在某些情況下，生成式AI並未如預期改善資訊蒐集的CP值與時價比。

實際上，根據Out of the Box公司於2025年針對日本二十多歲AI使用者所進行的調查，認為AI的回答「始終可以信賴」的使用者僅占少數，有高達九成二的受訪者表示並不完全信任AI。此外，當對AI的回答感到不滿意時，超過七成的使用者會再透過Google搜尋進行確認，且有半數以上會進一步造訪企業官方網站等資訊來源。

另有研究指出，AI Overviews所帶來的影響僅限於特定類型的提問，對品牌名稱或商品搜尋等查詢的影響相對有限。換言之，「零點擊」多半只是出現在特定脈絡中的表層現象。反而真正受到考驗的是資訊提供者本身的價值，也就是能否有效地將「真正被需要的資訊」傳遞出去。畢竟，以頁面瀏覽量（PV）為核心的媒體經營模式，本身正是依賴注意力經濟邏輯所形成的結果。

那麼，為何會出現這樣的落差？固然可以將原因歸咎於生成式AI技術「尚未成熟」，但更可能的，是其背後存在著更為根本的限制。這正是源自生成式AI所依賴的深度學習（Deep Learning）與大型語言模型（LLM），在「機率式生成」這一設計思路下所帶來的結構性制約。

AI的機率式模型與演算法的決定性差異

「深度學習」，是一種以人類大腦神經迴路為靈感的「神經網路」機制，透過多層（Deep）疊加來進行學習的方法。這項技術藉由輸入大量資料，從統計上學習「在特定輸入條件下，某種輸出出現機率較高」的關係。

將此一概念應用於語言領域的，即是大型語言模型（LLM）。LLM透過書籍、網頁、論文與對話文本等大量文字資料進行訓練，並在生成文章時，機率式地預測「某個詞語之後，最有可能接續出現的詞語」。

這樣的方式具有高度彈性與通用性的優點，但同時也內含結構性的不穩定因素。即使提出相同的問題，每次生成的結果仍可能出現些微差異，也難以完全排除錯誤資訊或脈絡偏移的可能性。所謂的「幻覺」，亦即「看似合理，卻不正確的說明」，在很大程度上正是源自這種機率式模型本身的特性。

然而，不論是存在這類「幻覺」的風險，或是即使使用相同的提示詞，每次得到的回答仍可能不同，這些情況正逐漸成為多數生成式 AI使用者的普遍認知。因此，生成式 AI的答案難以被直接「信任」，使用者為了取得確證，轉而參照搜尋引擎或其他資訊來源的行為，也就隨之有一定比例的增加。

在現有的規則式演算法中，只要輸入內容及其初始條件相同，便能保證輸出結果一致。即使出現與預期不符的輸出，工程師也能回頭檢視並調整判斷邏輯與輸入之間的關係。這種運作上的一致性，正是過往系統得以建立信任的基礎，也是在注意力經濟環境中，數位平台之所以能被視為「高效」的資訊篩選手段並被廣泛接受的原因之一。姑且不論其好壞，只要判斷規則不斷精煉，便能期待CP值與時價比隨之提升。

然而，在機率式模型的AI中，即使提出相同的問題或提示詞，每次生成的結果也未必一致。即使輸出內容包含錯誤，也難以明確判斷應該如何修正輸入才能排除這些錯誤；而即使某次提示詞運作良好，也無法保證下一次仍會得到相同結果。生成式AI表面上看起來能「高效率」地提供答案，但實際上正因其高度不確定且缺乏一致性，使人難以信任並將判斷交付於它。

需要反覆來回調整提示詞，或必須對生成出來的答案進行驗證等問題，並非隨著AI技術的精進就能消除，而是源自機率式模型本身所具有的原理性缺陷。當然，未來或許有可能縮小這種落差，但相較於規則式演算法，其風險仍然較高，信任成本也更為沉重。

或許能成為人類拾回主體性的契機

如此一來，以機率式模型為基礎的AI，其運作前提本就包含了輸出的不穩定性。其結果是，人類這一方必須進行驗證或重新探索，判斷的責任最終仍回到了人的身上。換言之，這種即時性的便利，是以另一種形式的認知負荷作為交換。

事實上，與一般印象相反，從整體的時價比與CP值來看，生成式AI並不一定稱得上是「高效率」的機制。諷刺的是，正是這樣的落差，反而讓注意力經濟出現了破綻。也就是說，當人們積極使用看似「高效率」的生成式AI時，卻不得不為了確認其輸出是否正確而投入額外的認知資源。結果，行動不再只是被動地任由注意力被奪走，而是轉變為主動地將注意力投注於資訊可信度的驗證。

在這個以時價比與CP值為導向，並長期受注意力經濟邏輯所覆蓋的現代媒體環境中，生成式AI的不確定性，或許反而成為人類重新找回選擇與審視資訊主體性的一個微小契機。這樣的說法或許帶有強烈的反諷意味，但正因生成式AI的擴張本身隱含風險，它反而可能成為促使我們重新審視注意力經濟的一線希望。

隨著規則式演算法有效推動注意力經濟的「最佳化」，各種扭曲不僅被產生，也逐漸被固化下來。相較之下，生成式AI正試圖以不同的邏輯重新建構媒體環境。這樣的落差，反而成為一個契機，使我們不得不正面重新思考：我們究竟希望建構什麼樣的社會，又應該優先重視哪些價值。在構想注意力經濟「之後」的媒體環境時，關鍵已不只是是否過度信賴AI所帶來的便利，而在於如何建構AI、演算法與人類介入之間關係的社會性選擇。

標題圖片：OpenAI 執行長山姆．奧特曼於會議中發言。2025年6月2日，美國舊金山（時事）。